ANY_VALUE memory regression in Comet 1.2.0

Đang mở
  • Có gì không ổn?
#7,541 1 bình luận 0 reaction 0 người được giao Xem trên GitHub

Maintainer thường phản hồi trong vòng 2 ngày

@andygrove đang làm issue này rồi.

Từ ngày 26/10/2026.

  • #7249 của @andygrove — đang mở

Đánh giá

Độ khó
3/5
Thời gian dự kiến
1-2 ngày
Mức phù hợp với người mới
68/100
Loại issue
Lỗi
Độ rõ ràng
Đặc tả rõ ràng
Mức độ hoạt động
Sôi nổi
Công nghệ
rust, scala, spark
Lĩnh vực
backend, performance

Hướng nghiên cứu

Start with the aggregate dependency configuration and native tests for TrivialFirstValueAccumulator::merge_batch; the issue identifies the DataFusion 55.2.0 behavior and upstream fix #26743. Check which released DataFusion version contains that fix and how Comet pins it, then run the focused native regression tests. Done means the dependency includes the fix and the tests pass; validate the rebuilt JAR with the supplied Spark reproducer if possible.

Do mô hình lập chỉ mục viết ra từ nội dung của issue.

Mô tả

area:aggregation bug priority:medium

Comet 1.2.0 fails ANY_VALUE(array<string>) with an oversized memory reservation.
Spark lowers this to first, which uses DataFusion 55.2.0's
TrivialFirstValueAccumulator::merge_batch. That method retains the input's
backing buffers and counts them repeatedly across groups.

This is fixed by apache/datafusion#26743.
Could we update to a dependency containing it when released?

Reproducer

With Spark 4.1.3, Java 21, and the Comet JAR installed in $SPARK_HOME/jars,
save this as inline_repro.py:

from pyspark.sql import SparkSession

spark = (
    SparkSession.builder.config("spark.ui.enabled", "false")
    .config("spark.sql.adaptive.enabled", "false")
    .config("spark.sql.shuffle.partitions", "2")
    .config("spark.plugins", "org.apache.spark.CometPlugin")
    .config(
        "spark.shuffle.manager",
        "org.apache.spark.sql.comet.execution.shuffle.CometShuffleManager",
    )
    .config("spark.comet.enabled", "true")
    .config("spark.comet.exec.enabled", "true")
    .config("spark.comet.shuffle.enabled", "true")
    .config("spark.comet.nativeLoadRequired", "true")
    .config("spark.comet.exec.aggregate.enabled", "true")
    .config("spark.memory.offHeap.enabled", "true")
    .config("spark.memory.offHeap.size", "128m")
    .getOrCreate()
)

try:
    path = "/tmp/comet-any-value-input"
    spark.range(256, numPartitions=4).selectExpr(
        "CAST(id AS STRING) AS user_id",
        "transform(sequence(0, 199), x -> concat(lpad(CAST(id AS STRING), 8, '0'), ':', lpad(CAST(x AS STRING), 4, '0'))) AS values",
    ).write.mode("overwrite").parquet(path)
    spark.read.parquet(path).createOrReplaceTempView("input")
    result = spark.sql(
        "SELECT user_id, ANY_VALUE(values) AS values FROM input GROUP BY user_id"
    )
    result.explain()
    rows = result.collect()
    expected = {str(i): [f"{i:08d}:{j:04d}" for j in range(200)] for i in range(256)}
    assert len(rows) == 256
    assert {row.user_id: row["values"] for row in rows} == expected
finally:
    spark.stop()

"$SPARK_HOME/bin/spark-submit" --master 'local[1]' --driver-memory 1g \
  inline_repro.py

The script sets a 128 MiB native pool and two shuffle partitions. It fails in
OrderedFinalAggregateStream, requesting 80,775,440 bytes against a
67,108,864-byte share. The strings contain just 650 KiB of data.

The same script succeeds with Comet 1.1.0, or with
spark.comet.exec.aggregate.enabled set to false on 1.2.0. It checks every
output array.

Fix verification

Focused native tests use DataFusion 55.2.0 and Arrow 59.3.0. For the same
selected array, update_batch reports 3,832 bytes while merge_batch reports
1,311,296 bytes. Adding the upstream fix makes both report 3,832 bytes:

 self.first = ScalarValue::try_from_array(first, 0)?;
+self.first.compact();
 self.is_set = true;

Both native regression tests fail before this change and pass afterward,
with unchanged output values. A rebuilt Comet JAR has not yet been tested.

Ngôn ngữ chính
Scala
Star
1.3k
Fork
414
Merge trung bình
3 ngày 5 giờ
Pull request đã merge (30 ngày)
210

Chuẩn bị môi trường

Bắt đầu từ đâu

  1. Đọc hết issue, rồi đọc hướng dẫn đóng góp của dự án.
  2. Bình luận trên issue rằng bạn sẽ nhận — tránh hai người làm cùng một việc.
  3. Fork repository và làm thay đổi trên một nhánh.
  4. Mở pull request có tham chiếu số hiệu của issue.

Issue khác của apache/datafusion-comet

Tất cả issue của apache/datafusion-comet

Issue tương tự

Thêm issue về Scala

Nhận issue mới trong hộp thư của bạn

Bản tóm tắt ngắn những issue GitHub phù hợp với người mới.